4. LSC 校正模型：增益矩阵模型、多项式拟合模型、网格校正模型
镜头阴影校正（LSC）的核心在于建立一个数学模型，用于描述从图像中心到边缘的亮度衰减规律，并据此生成每个像素的补偿增益。本章详细阐述三种主流的 LSC 校正模型：增益矩阵模型、多项式拟合模型和网格校正模型。理解这些模型的原理与适用场景，是进行后续亮度均匀性验证的基础。
4.1 增益矩阵模型（Gain Matrix Model）
增益矩阵模型是最直接、最基础的校正方法。它假设镜头阴影的衰减模式是固定的，并且与传感器像素位置强相关。该模型为图像传感器上的每一个像素（或每一个像素通道）预先存储一个增益值，形成一个与传感器分辨率等大的增益矩阵。
核心原理： 对于传感器上坐标为 (x, y) 的像素，其校正后的像素值 I_corrected(x, y) 等于原始像素值 I_raw(x, y) 乘以该位置对应的增益值 G(x, y)。
数学表达式： I_corrected(x, y) = I_raw(x, y) × G(x, y)
数学表达式： I_corrected(x, y) = I_raw(x, y) × G(x, y)
增益矩阵的生成通常依赖于在均匀光照下（如积分球）拍摄的平场图像（Flat Field Image）。通过分析平场图像，可以计算出每个像素相对于中心亮度的衰减比例，其倒数即为增益值。
| 特性 | 描述 |
|---|---|
| 精度 | 极高，可对每个像素进行独立校正，能处理非对称性阴影。 |
| 存储开销 | 巨大。对于 12MP 的 Bayer 传感器，需要存储约 12M 个增益值。 |
| 灵活性 | 差。一旦生成，无法适应镜头变焦、光圈变化或不同光照条件。 |
| 适用场景 | 固定焦距、固定光圈的工业相机或实验室校准设备。 |
工程提示： 在实际 ISP 硬件中，很少直接存储全分辨率增益矩阵。通常会对矩阵进行压缩（如差值存储）或降采样，以减少对内存带宽的占用。
4.2 多项式拟合模型（Polynomial Fitting Model）
为了克服增益矩阵模型存储开销大的缺点，多项式拟合模型应运而生。该模型假设镜头阴影的衰减是一个平滑的、连续的函数，可以用一个低阶多项式来近似描述。通常，多项式以像素到图像中心的距离 r 作为自变量。
核心原理： 使用一个多项式函数 G(r) 来拟合镜头阴影的衰减曲线，其中 r 是像素到光学中心的归一化距离。校正时，根据像素坐标计算 r，再代入多项式求得增益。
常见形式（四阶多项式）： G(r) = 1 + a₂·r² + a₄·r⁴ + a₆·r⁶
常见形式（四阶多项式）： G(r) = 1 + a₂·r² + a₄·r⁴ + a₆·r⁶
由于镜头阴影通常具有旋转对称性，使用偶次项多项式可以很好地拟合。系数 a₂, a₄, a₆ 等通过最小二乘法对平场图像数据进行拟合得到。
| 特性 | 描述 |
|---|---|
| 精度 | 较高，取决于多项式阶数。对于平滑阴影，四阶或六阶多项式即可达到良好效果。 |
| 存储开销 | 极小。仅需存储几个多项式系数（通常 3-5 个浮点数）。 |
| 灵活性 | 中等。可通过改变系数适应不同变焦或光圈状态。 |
| 计算复杂度 | 低。每个像素需要计算距离 r 并执行多项式求值。 |
局限性： 多项式模型无法有效处理非对称性阴影（如镜头模组装配倾斜导致的单侧偏暗）。对于此类情况，需要引入非对称项或改用网格校正模型。
4.3 网格校正模型（Grid Correction Model）
网格校正模型是增益矩阵模型和多项式拟合模型之间的折中方案，也是当前移动设备 ISP 中最常用的方法。它将图像划分为一个稀疏的网格（如 16×16 或 32×32），在每个网格顶点处存储一个增益值。对于网格内部的像素，其增益值通过双线性插值计算得到。
核心原理： 存储一个稀疏的增益网格，通过插值计算任意像素位置的增益。这种方法在存储开销和校正精度之间取得了良好的平衡。
插值方法： 对于位于四个网格顶点 (A, B, C, D) 之间的像素 P，其增益 G(P) 通过双线性插值计算：
G(P) = (1-Δx)(1-Δy)·G(A) + Δx(1-Δy)·G(B) + (1-Δx)Δy·G(C) + ΔxΔy·G(D)
插值方法： 对于位于四个网格顶点 (A, B, C, D) 之间的像素 P，其增益 G(P) 通过双线性插值计算：
G(P) = (1-Δx)(1-Δy)·G(A) + Δx(1-Δy)·G(B) + (1-Δx)Δy·G(C) + ΔxΔy·G(D)
| 特性 | 描述 |
|---|---|
| 精度 | 高。通过增加网格密度，可以逼近增益矩阵模型的精度。 |
| 存储开销 | 中等。例如 32×32 网格仅需 1024 个增益值，远小于全分辨率矩阵。 |
| 灵活性 | 高。可以处理非对称阴影，且易于通过查表切换不同场景的校正参数。 |
| 计算复杂度 | 中等。需要计算插值权重，但可通过硬件加速实现。 |
工程实践： 网格的划分通常与图像的分辨率和阴影变化的剧烈程度相关。对于 4K 图像，常见的网格尺寸为 16×16 或 32×32。网格顶点处的增益值通常通过分析平场图像并降采样得到。
4.4 三种模型对比总结
下表从多个关键维度对三种 LSC 校正模型进行了对比，帮助工程师根据实际项目需求进行选型。
| 对比维度 | 增益矩阵模型 | 多项式拟合模型 | 网格校正模型 |
|---|---|---|---|
| 校正精度 | 最高（逐像素） | 较高（受限于拟合阶数） | 高（可通过加密网格提升） |
| 存储开销 | 极大（全分辨率） | 极小（几个系数） | 中等（网格顶点数） |
| 计算开销 | 低（直接查表） | 低（多项式求值） | 中等（双线性插值） |
| 非对称阴影 | 支持 | 不支持（需改进模型） | 支持 |
| 硬件友好性 | 差（内存带宽瓶颈） | 好（计算简单） | 好（易于流水线化） |
| 典型应用 | 实验室校准、工业检测 | 早期手机、低端摄像头 | 主流智能手机、安防相机 |
选型建议：
- 如果对精度要求极高且存储和带宽不是瓶颈（如实验室环境），选择增益矩阵模型。
- 如果硬件资源极度受限，且镜头阴影对称性良好，选择多项式拟合模型。
- 对于大多数消费电子产品，网格校正模型是最佳平衡点，推荐作为首选方案。